CN112198842A - Pta氧化单元异常运行状态的溯源诊断方法 - Google Patents

Pta氧化单元异常运行状态的溯源诊断方法 Download PDF

Info

Publication number
CN112198842A
CN112198842A CN202010855985.1A CN202010855985A CN112198842A CN 112198842 A CN112198842 A CN 112198842A CN 202010855985 A CN202010855985 A CN 202010855985A CN 112198842 A CN112198842 A CN 112198842A
Authority
CN
China
Prior art keywords
data
model
tracing
sae
abnormal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010855985.1A
Other languages
English (en)
Other versions
CN112198842B (zh
Inventor
颜学峰
于健博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China University of Science and Technology
Original Assignee
East China University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China University of Science and Technology filed Critical East China University of Science and Technology
Priority to CN202010855985.1A priority Critical patent/CN112198842B/zh
Publication of CN112198842A publication Critical patent/CN112198842A/zh
Application granted granted Critical
Publication of CN112198842B publication Critical patent/CN112198842B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31359—Object oriented model for fault, quality control
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了对精对苯二甲酸工艺流程氧化单元运行异常状态的溯源诊断方法。该方法以PTA过程中的全局变量作为运行异常状态溯源诊断方法的输入变量，以正常运行状态下保存的数据集作为训练集构建溯源诊断模型。首先对训练样本进行异常值检测去除数据中的不健康数据以排除掉对建模的影响。之后对训练样本进行标准化处理以消除各个维度量纲对建模结果的不必要影响。接下来构建稠密连接自编码器，并将预处理之后的数据送入DC‑SAE中进行无监督建模。最后当实时的异常状态数据被送入训练好的DC‑SAE模型中时，依据重构数据与输入变量的偏差构建故障溯源热力图以可视化造成异常状态的溯源变量。

Description

PTA氧化单元异常运行状态的溯源诊断方法
技术领域
本发明属于石油化工与过程控制交叉领域，涉及精对苯二甲酸(以下简称PTA，即Purified Terephthalic Acid)工艺过程中氧化单元异常运行状态的溯源诊断方法。
背景技术
精对苯二甲酸(PTA)是重要的大宗有机原料之一，主要用于生产聚对苯二甲酸乙二醇酯、聚对苯二甲酸丙二醇酯以及聚对苯二甲酸丁二醇酯，也用作染料中间体，是制造聚酯纤维、薄膜、绝缘漆的重要材料。广泛用于与化学纤维、轻工、电子、建筑等国民经济的各个方面，与人民生活水平、居住环境、社会可持续发展密切相关。
PTA生产工艺过程共有两个组成部分：一是二甲苯(PX)氧化工艺；另一则是粗对苯二甲酸(CrudeTerephthalic，CTA)精制工艺。PX氧化工艺流程为：以对PX为原料，醋酸为溶剂，在醋酸钴，醋酸锰催化剂的作用下，以四溴乙烷为促进剂与空气中的氧气反应，生成CTA。反应中放出的大量反应热通过溶剂的蒸发带走，并通过副产蒸汽回收这部分热量。氧化反应液经串联的结晶器降温降压，再经过滤，干燥，得到中间产品CTA。在此过程中会产生的副产物的主要成分为4-CBA。CTA精致工艺流程为：将CTA用脱离子水配成一定浓度的浆料，加热至要求溶解温度后送至加氢反应器。通过催化加氢反应，使4-CBA还原成PTA。由于对甲基苯甲酸易溶于水中，因此于再结晶，分离和干燥时，可将对甲基苯甲酸分离，而可得到高纯度的纯对苯二甲酸(PTA)。
在PTA的整条生产工艺流程中，主要的反应副产物的是中间物4-CBA，通常4-CBA不但会在结晶时与TA形成共晶而污染TA，还会在下游产品生产中影响TA的聚合反应。4-CBA含量高低是PTA质量的重要指标，而加氢精制过程的主要任务就是降低CTA中的4-CBA含量得到精制的对苯二甲酸。CTA用脱离子水配成一定浓度的浆料，加热至要求溶解温度后送至加氢反应器。通过催化加氢反应，使粗对苯二甲酸中所含4-CBA转化为水溶性物质。加氢反应液在串联的结晶器中逐级降温降压后送去离心机分离，得到的滤饼再用脱离子水打浆，然后经过滤和干燥，制得纤维级精对苯二甲酸，PTA生产工艺流程如图1所示。其中，副产物4-CBA在整个生产过程中处于极其重要的地位，它的产出含量直接反映了PTA氧化单元的运行状态：适度氧(正常状态)、欠氧化(异常状态1)和过氧化(异常状态2)。当发生工况处于异常状态时，说明该反应过程处于反应不充分或反应过充分的状态，进一步会影响到PTA的生产质量。因此，准确地找到异常运行状态的溯源诊断方法，可以帮助工艺流程快速地找到发生异常的变量，进而确定发生故障的过程位置，进而可以迅速地排除不健康状态，提高工作效率和产品质量。所以，建立PTA氧化单元的异常运行状态的溯源诊断模型，对于工艺流程有着非常重要的作用。
随着科学技术快速进步，过程工业得到快速发展，企业的规模越来越大，现在工业生产工艺、生产设备和生产过程向大规模、连续化、集成化方向发展，有必要对生产全流程运行状态进行有效地监测、控制与故障溯源诊断。并且随着计算机技术，传感器技术以及分布式控制系统在工业过程中的逐渐普及，大量的工业数据得以保存下来。因此基于数据驱动的过程监控技术得到了很大的发展。其中最常用的是多元统计过程监控(MultivariateStatistical Process Monitoring,MSPM)方法，主要包括主成分分析(PrincipalComponent Analysis,PCA)、偏最小二乘(Partial Least Squares,PLS)、典型关联分析(Canonical Correlation Analysis,CCA)等以及机器学习方法，主要包括支持向量机(Support Vector Machine,SVM)，决策树等。当利用它们进行溯源诊断时，大体的思路为：首先对数据进行特征提取，之后利用提取到的特征进行故障变量的诊断。
但是，随着工业大数据的到来，人们对工艺流程的要求也越来越高，此时上诉方法逐渐显露出了一些弊端，例如对数据的原始假设不符合实际工业数据，提取的特征不高阶，对测量数据中的检测噪声不鲁棒，不适用于海量数据的建模等。与此同时，随着深度学习技术的出现与逐渐发展，这些问题均得以解决。作为一种具有多隐层的神经网络结构，它无需对采集到的数据做任何假设，并且可以提取特征高阶、抽象、更加贴近本质特征，对过程测量噪声具有鲁棒性，适用于海量数据的处理。
当数据被送入构建好的深度学习模型后，数据会在模型中逐层前向传递。随着隐层数量的增加，所提取的特征会越发抽象，高阶并且紧凑。但是当层数过多时，会由于模型结构过于复杂而导致训练时间过长并且随着层数增加，每一层的传递都会存在一定的信息损失。因此适当的模型结构对于数据的特征提取和模型构建是有必要的。但是，毕竟在逐层传递特征的过程中存在着特征损失的问题，所以我们构建了一种深度学习异常运行状态溯源诊断的模型，在特征提取以及模型构建时，保证数据特征信息可以被完整保存以构建一个“无损”的模型。当异常状态的实时数据被送入训练好的模型时，基于所提取的特征构建热力图以溯源发生故障的位置，以合理的对工艺过程进行调整操作。
发明内容
本发明的目的是利用PTA工艺流程氧化工段中的312个全局变量进行PTA氧化单元异常运行状态溯源诊断方法。采用钴浓度(PPM)、溴浓度(PPM)、馏出物(us/cm)、顶部气体氧含量(VOL％)、氧气控制量(VOL％)、尾氧控制量(VOL％)、以及结晶量(KNM3/H)等312个全局变量作为系统的输入变量，经过预处理(异常值检测和标准化处理)后，送入深度学习模型进行训练。我们基于堆栈式自编码器(Stacked Autoencoder,SAE)构建了一种稠密连接的深度学习结构(Densely Connected SAE,DC-SAE)。该模型解决了特征信息在逐层传递过程中信息丢失的问题，鼓励特征信息的再利用并且可以降低模型梯度消失的可能性。利用训练好的DC-SAE模型对实时数据进行异常运行状态的判断与故障溯源诊断。DC-SAE是一种无监督模型，当数据被送入DC-SAE，模型会对数据进行重构。根据重构值与输入值之间的偏差进行分析并且构建热力图，可以准确地可视化出异常状态的溯源诊断结果。本发明设计的异常状态溯源诊断方案充分挖掘了数据中的高阶抽象信息，并且避免的数据特征信息的损失，使其诊断结果更准确，便于进一步指导相关的控制操作并有助于保障生产安全和提高产品质量。
本发明的具体技术方案是：
一种PTA工艺流程中氧化单元异常运行状态的溯源诊断方法，是以工艺流程中的全局变量作为输入变量，建立异常运行状态的溯源诊断模型，以判断发生异常状态时的故障变量，进行溯源诊断，进而指导下一步控制操作的方法；
所述故障变量，是通过采用对生产过程中的主要副产物4-CBA含量的状态空间检测以决定当前的工作状态；精对苯二甲酸工艺流程被分为一个正常运行状态：适度氧化状态和两个异常运行状态：欠氧异常和过度氧化异常4-CBA含量高低是精对苯二甲酸质量的重要指标，当4-CBA的产出量过大，那么意味着工艺流程处于欠氧化状态；当4-CBA的产出量过小，意味着工艺流程处于过氧化状态；
建立异常运行状态的溯源诊断模型，是构建深度神经网络状态监测模型以提取数据中的高阶抽象特征信息，以深度学习为模型避免了传统方法的局限性，并且可以进一步提高从数据中挖掘出的特征的质量，为进一步的状态监测提供更可靠的数据特征信息；为了避免数据在深度学习模型逐层传递的过程中，发生信息丢失的情况；对堆栈式自编码器进行稠密连接，即每一个隐层的输入不再是上一隐层的输出，而是之前所有特征隐层的输出；以这种连接方式进行特征传递，鼓励了数据特征在深度模型中的再利用，避免了特征信息的丢失，同时也降低了梯度消失的风险；基于稠密连接的深度学习模型，通过对数据进行无损的特征提取，并且基于该特征对输入数据进行重构；依据重构数据与原始数据的偏差，判断出对于该模型的故障变量，进而溯源诊断出工业流程的异常状态。
进一步的，所述的全局变量是全部312个全局变量，包括钴浓度、溴浓度、馏出物、顶部气体氧含量、氧气控制量、尾氧控制量、结晶量等作为输入变量。
进一步的，溯源诊断出工业流程的异常状态，是将诊断结果通过热力图可视化，更直观地展现出溯源结果。
进一步的，所述以工艺流程中的全局变量作为输入变量，建立异常运行状态的溯源诊断模型中，先对建模样本进行预处理：
1.1异常值检测
在收集到的PTA工艺流程历史数据中，由于记录和保存数据的过程中存在误差，所以在所应用的历史训练数据中会存在一些“坏”样本和“坏”变量。为了提高建模所应用数据的准确性，首先我们对数据进行异常值检测以排除数据中的不完整样本和不准确变量：(1)若一个样本中存在变量没有被记录，那么该样本被删除不被用做训练数据；(2)若变量在所有的记录样本中全部为0，那么该样本对于挖掘数据信息，分析样本模态没有实质性的作用，那么该变量被删除不被用为训练样本中的变量。
1.2标准化处理
为了消除变量之间各自量纲对识别结果的影响，对训练样本进行标准化预处理：使得处理后的各维数据具有均值为0，方差为1的特性。对于一个经过异常值处理后的数据X∈Rn×m，其中n为样本数量，m为一个样本中的变量数量，那么预处理可以表示为：
Figure BDA0002646368410000051
其中，xi∈Rn×1是训练样本X的第i个采样变量，
Figure BDA0002646368410000052
是其均值，
Figure BDA0002646368410000053
是其方差，
Figure BDA0002646368410000054
是标准化后的样本
Figure BDA0002646368410000055
的第i个变量。
进一步的，所述建立异常运行状态的溯源诊断模型，以判断发生异常状态时的故障变量，是以4-CBA的含量可以直接地反应PTA工艺流程的运行状态，并且会影响PTA的生产质量。当4-CBA的产出量适中时，说明该过程处于适度氧化状态，此时PTA的产出质量为最优，此时的运行状态属于正常运行状态。当4-CBA的产出量过大或过小时，那么此时的过程处于欠氧化状态或者过氧化状态，在该状态下的产出的PTA质量不是最优的状态，因此此类运行状态属于异常运行状态。基于此，PTA工艺流程氧化工段的运行状态可以分为三类：
Figure BDA0002646368410000056
其中4-CBA含量单位是PPM，2903PPM、3001PPM是可以调整的控制限值。
进一步的，所述建立异常运行状态的溯源诊断模型，是深度模型(DC-SAE)(Densely Connected Stacked Autoencoder,简称DC-SAE)构建：
传统的SAE是一种具有多个隐藏层的无监督神经网络模型，也可以理解为由多个自编码器相互堆栈而形成的深度自编码器模型。SAE是一个输入和学习目标相同的深度神经网络，其结构分为编码器(Encoder)和解码器(Decoder)两部分。给定一个输入数据x∈R1 ×m，其中m为数据的长度，通过编码器所得到的特征为：
f＝σE(WE·x+BE) (3)
其中σE为编码器的非线性激活函数，WE和BE分别为编码器的权值矩阵和阈值矩阵。数据通过前向传递通过编码器得到它的高阶特征表示f。之后f通过解码器逐层解码至SAE的输出层：
Figure BDA0002646368410000061
其中σD为解码器的非线性激活函数，WD和BD分别为解码器的权值矩阵和阈值矩阵，
Figure BDA0002646368410000062
为解码器同时也是SAE的输出。该输出的目的是为了与输入保持一致，以这种无监督的形式使得基于编码层的高阶特征依旧可以生成原始数据，这就意味着编码层所蕴含的信息是原始数据的一种高阶特。因此，优化目标函数可以表示为：
Figure BDA0002646368410000063
其中R(θ)是某种正则化条件，λ是权衡参数。
但是通常来说，在编码过程中，原始数据被逐层压缩直至最精简的维度。在这逐层压缩的过程中，必定会出现对上一层的特征信息丢弃的情况。并且随着层数的增加，这种特征损失的情况相比于原始输入数据来会越来越多。因此，我们构建了稠密连接的SAE,DC-SAE。在DC-SAE模型中，每一隐层的输入不再是上一层的输出特征，而是之前所有隐层的特征输出的总和。也就是说，改成所提取的特征不再是上一层被压缩之后的特征，而是之前所有特征的总和。以这种方式构建的模型，消除了在深度学习模型中逐层特征传递时，信息的逐层消失问题，并且激励的各个隐层特征的再利用。除此之外，该模型结构使得每一层与最终的高阶特征层的连接距离缩短，也可以降低在优化全局结构时的梯度消失问题。以这种方式所提取的特征可以表示为：
fl DC＝σl(Wl·(x1；x2；...；xl-1)+bl) (6)
其中fl DC为DC-SAE模型所提取的第lth层特征，σl为第lth层的非线性激活函数，Wl和bl为第lth层的权值矩阵和阈值向量，(x1；x2；...；xl-1)为第1层至第l-1th层的综合特征向量。
进一步的，建立异常运行状态的溯源诊断模型，进行故障溯源诊断：当DC-SAE模型训练好之后，一组实时数据首先被送入到模型中提取“无损”的高阶特征，之后利用解码器获得该“无损”特征的重构输入数据。基于重构误差，我们可以得到，在该模型下有哪些变量相对于该模型出现了重大的偏差：
Figure BDA0002646368410000071
进一步的，可将其用热力图表示出，可以将异常状态的溯源结果可视化地展示出来。
进一步的，建立异常运行状态的溯源诊断模型，基于DC-SAE模型的异常运行状态溯源诊断：
首先收集正常运行状态下的训练数据，之后对于收集到的数据进行异常值检测去除“坏”样本以及“坏”变量，之后对训练数据进行标准化处理以消除各维度量纲对结果的影响(如公式1所示)，并将均值和方差记录下来用以测试时使用。接下来将预处理后的数据送入构建好的DC-SAE模型中进行模型训练，直至模型达到稳定条件(如公式5所示)。之后将实时数据送入到训练好的DC-SAE模型中，获得“无损”的高阶特征(如公式6所示)，并且基于该特征对数据进行重构。通过重构偏差判断当前发生故障的变量位置(如公式7所示)，并且通过热力图可视化重构偏差，使得异常状态的溯源诊断展示在图形之中。
本发明优点：(1)利用深度神经网络，构建PTA工艺流程的深度模型，挖掘数据中的高阶抽象信息特征，克服了传统方法的诸多问题；(2)提取DC-SAE模型以解决特征信息在深度模型传递的过程中信息损失的问题；(3)DC-SAE模型的构建可以进一步降低模型梯度消失的可能性，使得模型的训练更加贴近于参数的最优值，并且模型中的特征信息再利用，使得有益的信息得以被最终提取。(4)基于实时数据的重构数据与输入数据的偏差进行故障的溯源，并且利用热力图使得溯源结果可以更加清晰地被呈现出来。
附图说明
图1现有PTA生产工艺流程框图。
图2本发明PTA氧化单元异常运行状态溯源诊断方法流程图。
图3 DC-SAE可视化模型。
图4 DC-SAE模型训练误差值。
图5异常状态溯源诊断结果。
具体实施方式
以下通过实施例对本发明作进一步说明：
对于PTA工艺流程氧化工段的312个全局变量，首先采集340个样本构建训练数据，并且依据4-CBA的含量对340个样本进行状态划分(根据公式2)，其中正常数据130个样本，过氧化的异常数据85个样本，欠氧化的异常数据125个样本。利用正常样本进行DC-SAE建模，利用异常样本进行溯源诊断。
1.预处理样本
对上述采集训练数据进行异常值检测(如1.1)和数据的标准化处理(如1.2)。在异常值检测过程中，存在一个样本的某一个变量记录缺失的情况，因此删除该样本。接下来进行标准化处理，首先计算312维变量的均值和方差，这里将训练样本变量用X＝[x1,x2,x3,…x310,x311,x312]表示。经过计算，x1,x2,x3,…,x311,x312的均值为：269.775,411.931,388.658,…,15.6453,149.257,79.9544；方差为：8083.4,21767.6,28594.6,…,39.781,140.08,0.398057。之后进行标准化计算：
Figure BDA0002646368410000081
Figure BDA0002646368410000082
Figure BDA0002646368410000083
…
Figure BDA0002646368410000084
Figure BDA0002646368410000085
Figure BDA0002646368410000091
对于实时采集到的数据xt，采用同样的均值和方差进行标准化处理：
Figure BDA0002646368410000092
其中，均值向量μ＝[269.775,411.931,388.658,…,15.6453,149.257,79.9544]，方差向量σ＝[8083.4,21767.6,28594.6,…,39.781,140.08,0.398057]。
2.基于DC-SAE模型的异常运行状态溯源诊断模型构建
利用DC-SAE模型对训练数据进行初步建模，利用训练好的模型对数据进行“无损”特征提取，并且基于该特征进行原始数据的重构。基于重构数据与原始数据的偏差，利用热力图可视化溯源诊断结果。具体的模型参数如下：
(1)首先对训练数据进行异常值检测以及标准化处理(如公式1所示)，之后利用预处理后的数据进行DC-SAE建模。模型结果采用：312-600-400-200-400-600-312。其中312是输入的维度，200是最终提取的特征维度。具体的DC-SAE模型结构如图3所示。经过预处理后的数据：
Xtrain＝[0.399507,0.279109,0.446637,0.117655,-0.308964,-0.532896,-0.31795,0.263586,1.11458,0.275749,0.744669,-1.14432,0.399507,0.545343,0.379755,0.43415,-0.135505,0.0139103,0.341771,......0.542184,-1.23998,0.47799,0.159282,-0.0584082,0.0136422,0.482155,0.18674,0.235276,1.23055,0.19187,-0.364498,-0.242164,-0.243157,0.48804,-1.46005,0.996299,0.829174,0.151781；...]∈R143×312
这里只列出训练数据中的第一组数据。基于该训练数据训练DC-SAE模型，其中在训练过程中的模型损失值如图4所示。
(2)依据训练好的模型，将测试的异常运行状态的数据进行溯源诊断。首先对其进行标准化处理：
Xtest1＝[0.457408,0.107744,0.360381,-0.219594,-0.417916,0.335529,0.190594,-0.151865,0.482187,0.1076,1.24869,-0.955876,0.180579,0.457408,0.534616,-0.197248,0.129009,0.553739,-0.687498,0.226062,...-0.244863,0.157713,0.413658,0.378083,-0.0873622,0.538112,0.523065,0.813222,-0.0492462,0.609923,0.277207,-0.302927,-0.398206,-0.209826,-0.346033,0.240365,0.266564,0.384696,0.224239；...]∈R95×312
Xtest2＝[0.871754，0.826136，0.84534，-0.0219688，-0.0934499，-1.48313，1.67629，-0.376918，-2.16337，-0.976925，1.30662，-1.77934，0.871754，0.85796，-0.178402，-2.21933，-0.450238，-0.909034，0.845474，...-1.33773，-1.84364，-0.134318，0.989329，0.930357，2.26982，1.59728，1.13931，-1.6627，-0.56441，0.753044，0.469845，-0.391949，-0.30658，-2.23467，-1.19578，0.0210561，-0.148359，-1.10037；...]∈R140×312
将其送入到训练好的DC-SAE模型中，得到测试数据的重构值为：
Figure BDA0002646368410000101
Figure BDA0002646368410000102
(3)将输入值与重构的输入值进行偏差比较。可以得到每一个变量对于该模型的偏差程度，这里选取其中的3个异常状态数据点进行说明：
Figure BDA0002646368410000111
从仅仅给出的偏差可以看出，第5个和第10个变量，对于模型来说具有很大的偏差，从中可以看出这两个变量产生了很大的异常波动。通过热力图可视化可以更直接地溯源诊断出发生故障的变量，如图5所示。在图5中，横坐标为样本数，纵坐标为样本变量。通过溯源图可以看到，在该异常状态发生时，主要的故障变量，并且通过点位号描述查询可以得知，具体的变量有：变量5：BE115出口氧含量；变量67：液相到溶剂回收；变量131：BD305搅拌器电流；变量136：BG403A电流；变量195：未知变量；变量200：BE402出口。依据该结果，可以定位到故障变量，进而确定发生故障的位置，以便操作人员进行下一步风操作。
综上所述，本发明方法可以提取数据中的高阶抽象数据特征，并且消除了特征传递过程中的信息流失问题，以实时进行PTA氧化单元运行异常状态的溯源诊断，帮助操作人员快速定位故障源头，从而进一步指导相关控制操作、保证生产安全、提高产品质量和经济效益。

Claims (7)

1.一种PTA工艺流程中氧化单元异常运行状态的溯源诊断方法，其特征在于，是以工艺流程中的全局变量作为输入变量，建立异常运行状态的溯源诊断模型，以判断发生异常状态时的故障变量，进行溯源诊断，进而指导下一步控制操作的方法；
所述故障变量，是通过采用对生产过程中的主要副产物4-CBA含量的状态空间检测以决定当前的工作状态；精对苯二甲酸工艺流程被分为一个正常运行状态：适度氧化状态和两个异常运行状态：欠氧异常和过度氧化异常；
建立异常运行状态的溯源诊断模型，是构建深度神经网络状态监测模型以提取数据中的高阶抽象特征信息；为了避免数据在深度学习模型逐层传递的过程中，发生信息丢失的情况；对堆栈式自编码器进行稠密连接，即每一个隐层的输入不再是上一隐层的输出，而是之前所有特征隐层的输出；基于稠密连接的深度学习模型，通过对数据进行无损的特征提取，并且基于该特征对输入数据进行重构；依据重构数据与原始数据的偏差，判断出对于该模型的故障变量，进而溯源诊断出工业流程的异常状态。
2.根据权利要求1所述的一种PTA工艺流程中氧化单元异常运行状态的溯源诊断方法，其特征在于，所述以工艺流程中的全局变量作为输入变量，建立异常运行状态的溯源诊断模型中，先对建模样本进行预处理：
(1)异常值检测
对数据进行异常值检测以排除数据中的不完整样本和不准确变量：(1)若一个样本中存在变量没有被记录，那么该样本被删除不被用做训练数据；(2)若变量在所有的记录样本中全部为0，那么该变量被删除不被用为训练样本中的变量；
(2)标准化处理
对于一个经过异常值处理后的数据X∈Rn×m，其中n为样本数量，m为一个样本中的变量数量，那么预处理可以表示为：
Figure RE-FDA0002815733270000011
其中，xi∈Rn×1是训练样本X的第i个采样变量，
Figure RE-FDA0002815733270000021
是其均值，
Figure RE-FDA0002815733270000022
是其方差，
Figure RE-FDA0002815733270000023
是标准化后的样本
Figure RE-FDA0002815733270000024
的第i个变量。
3.根据权利要求1所述的一种PTA工艺流程中氧化单元异常运行状态的溯源诊断方法，其特征在于，所述故障变量4-CBA含量进行状态划分，分为三类：
Figure RE-FDA0002815733270000025
其中4-CBA含量单位是PPM，2903PPM、3001PPM是可以调整的控制限值。
4.根据权利要求1所述的一种PTA工艺流程中氧化单元异常运行状态的溯源诊断方法，其特征在于，所述建立异常运行状态的溯源诊断模型，是深度模型DC-SAE构建：
所述SAE是一个输入和学习目标相同的深度神经网络，其结构分为编码器和解码器两部分；给定一个输入数据x∈R1×m，其中m为数据的长度，通过编码器所得到的特征为：
f＝σE(WE·x+BE) (3)
其中σE为编码器的非线性激活函数，WE和BE分别为编码器的权值矩阵和阈值矩阵；数据通过前向传递通过编码器得到它的高阶特征表示f；之后f通过解码器逐层解码至SAE的输出层：
Figure RE-FDA0002815733270000026
其中σD为解码器的非线性激活函数，WD和BD分别为解码器的权值矩阵和阈值矩阵，
Figure RE-FDA0002815733270000027
为解码器同时也是SAE的输出；
优化目标函数可以表示为：
Figure RE-FDA0002815733270000028
其中R(θ)是某种正则化条件，λ是权衡参数；
在DC-SAE模型中，所提取的特征可以表示为：
fl DC＝σl(Wl·(x1；x2；...；xl-1)+bl) (6)
其中fl DC为DC-SAE模型所提取的第lth层特征，σl为第lth层的非线性激活函数，Wl和bl为第lth层的权值矩阵和阈值向量，(x1；x2；...；xl-1)为第1层至第l-1th层的综合特征向量。
5.根据权利要求1所述的一种PTA工艺流程中氧化单元异常运行状态的溯源诊断方法，其特征在于，建立异常运行状态的溯源诊断模型，进行故障溯源诊断：当DC-SAE模型训练好之后，一组实时数据首先被送入到模型中提取无损的高阶特征，之后利用解码器获得该无损特征的重构输入数据；基于重构误差，该模型下有哪些变量相对于该模型出现了重大的偏差：
Figure RE-FDA0002815733270000031
6.根据权利要求1所述的一种PTA工艺流程中氧化单元异常运行状态的溯源诊断方法，其特征在于，所述构建深度神经网络状态监测模型是基于DC-SAE模型的异常运行状态溯源诊断，首先收集正常运行状态下的训练数据，之后对于收集到的数据进行异常值检测去除坏样本以及坏变量，之后对训练数据进行标准化处理以消除各维度量纲对结果的影响，并将均值和方差记录下来用以测试时使用；接下来将预处理后的数据送入构建好的DC-SAE模型中进行模型训练，直至模型达到稳定条件；之后将实时数据送入到训练好的DC-SAE模型中，获得无损的高阶特征；并且基于该特征对数据进行重构；通过重构偏差判断当前发生故障的变量位置。
7.根据权利要求1所述的一种PTA工艺流程中氧化单元异常运行状态的溯源诊断方法，其特征在于，所述构建深度神经网络状态监测模型通过热力图可视化重构偏差，使得异常状态的溯源诊断展示在图形之中。
CN202010855985.1A 2020-08-24 2020-08-24 Pta氧化单元异常运行状态的溯源诊断方法 Active CN112198842B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010855985.1A CN112198842B (zh) 2020-08-24 2020-08-24 Pta氧化单元异常运行状态的溯源诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010855985.1A CN112198842B (zh) 2020-08-24 2020-08-24 Pta氧化单元异常运行状态的溯源诊断方法

Publications (2)

Publication Number Publication Date
CN112198842A true CN112198842A (zh) 2021-01-08
CN112198842B CN112198842B (zh) 2024-04-30

Family

ID=74006157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010855985.1A Active CN112198842B (zh) 2020-08-24 2020-08-24 Pta氧化单元异常运行状态的溯源诊断方法

Country Status (1)

Country Link
CN (1) CN112198842B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114666117A (zh) * 2022-03-17 2022-06-24 国网浙江省电力有限公司信息通信分公司 一种面向电力互联网的网络安全态势度量和预测方法
CN115310204A (zh) * 2022-08-09 2022-11-08 重庆大学 影响汽车nvh性能的生产异常智能溯源方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130267733A1 (en) * 2010-05-18 2013-10-10 INVISTA North America S. a. r.l. Production of aromatic carboxylic acids
CN108227649A (zh) * 2017-12-13 2018-06-29 华东理工大学 工业对二甲苯氧化反应单元运行状态监测的方法
CN109145886A (zh) * 2018-10-12 2019-01-04 西安交通大学 一种多源信息融合的异步电机故障诊断方法
CN109800875A (zh) * 2019-01-08 2019-05-24 华南理工大学 基于粒子群优化和降噪稀疏编码机的化工故障检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130267733A1 (en) * 2010-05-18 2013-10-10 INVISTA North America S. a. r.l. Production of aromatic carboxylic acids
CN108227649A (zh) * 2017-12-13 2018-06-29 华东理工大学 工业对二甲苯氧化反应单元运行状态监测的方法
CN109145886A (zh) * 2018-10-12 2019-01-04 西安交通大学 一种多源信息融合的异步电机故障诊断方法
CN109800875A (zh) * 2019-01-08 2019-05-24 华南理工大学 基于粒子群优化和降噪稀疏编码机的化工故障检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIANBO YU, ET AL.: "Multiscale intelligent fault detection system based on agglomerative hierarchical clustering using stacked denoising autoencoder with temporal information", APPLIED SOFT COMPUTING JOURNAL, vol. 95, no. 2020, pages 1 - 13 *
刘瑞兰 等: "模糊神经网络的混合学习算法及其软测量建模", 系统仿真学报, vol. 17, no. 12, pages 2878 - 2881 *
张祥 等: "基于VAE-DBN的故障分类方法在化工过程中的应用", 过程工程学报, no. 03, pages 151 - 155 *
赵洪山 等: "基于堆叠自编码网络的风电机组发电机状态监测与故障诊断", 电力系统自动化, no. 11, pages 108 - 114 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114666117A (zh) * 2022-03-17 2022-06-24 国网浙江省电力有限公司信息通信分公司 一种面向电力互联网的网络安全态势度量和预测方法
CN115310204A (zh) * 2022-08-09 2022-11-08 重庆大学 影响汽车nvh性能的生产异常智能溯源方法

Also Published As

Publication number Publication date
CN112198842B (zh) 2024-04-30

Similar Documents

Publication Publication Date Title
CN112198842A (zh) Pta氧化单元异常运行状态的溯源诊断方法
Wang et al. A new tool wear monitoring method based on multi-scale PCA
CN109146246B (zh) 一种基于自动编码器和贝叶斯网络的故障检测方法
CN112067335A (zh) 一种基于多元状态估计的电厂送风机故障预警方法
CN112034793A (zh) Pta工艺流程中氧化工段生产运行状态空间监测方法
CN117251812A (zh) 一种基于大数据分析的高压电力线路运行故障检测方法
CN104699077B (zh) 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法
CN109298697A (zh) 基于动态基线模型的火电厂系统各部件工作状态评估方法
EP3221579A1 (en) Wind turbine condition monitoring method and system
CN111752147B (zh) 一种具有持续学习能力改进pca的多工况过程监测方法
CN112904810B (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN113757093B (zh) 一种闪蒸汽压缩机组故障诊断方法
CN112861350B (zh) 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法
CN105116872A (zh) 一种工业过程中基于度量学习与时间序列的故障诊断方法
CN112257862B (zh) 一种基于关系网络标记样本扩充的半监督辨识方法
CN111415070A (zh) 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法
CN113029619A (zh) 基于c4.5决策树算法的地下铲运机故障诊断方法
CN117350377A (zh) 一种基于知识图谱驱动的设备故障诊断方法及装置
CN103559401A (zh) 基于半监督主元分析的故障监控方法
CN112686279B (zh) 一种基于k均值聚类和证据融合的齿轮箱故障诊断方法
CN111914886B (zh) 一种基于在线简略核学习的非线性化工过程监测方法
CN111913447B (zh) 一种在线数据驱动的非线性化工过程监测方法
CN117740242A (zh) 动力涡轮机动平衡测试系统
CN108388224A (zh) 一种基于近红外光谱的原油脱盐脱水过程运行状态监控方法
CN104765339A (zh) 一种基于控制变量优先级的fcc动态控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant